文件名称：machine-learning-challenge:RUTGERS训练营的机器学习挑战
文件大小：19.9MB
文件格式：ZIP
更新时间：2024-04-27 14:32:26
JupyterNotebook
机器学习：系外行星探索 背景 在深空太空中使用了九年，NASA开普勒太空望远镜一直在执行寻星任务，以发现我们太阳系之外的隐藏行星。 该项目使用他们收集的数据来训练四个旨在对系外行星进行分类的机器学习（ML）模型。 楷模 逻辑回归（LR） 随机森林（RF） K最近邻居（KNN） 支持向量机（SVM） 深度学习模型 模型设计方法 使用原始数据集及其全部40个功能构建基本模型。 使用基本模型评估功能的重要性。 使用GridSearchCV调整模型参数。 使用调整后的参数构建最终模型。 型号比较 深层神经网络-损失：0.2539210319519043，准确性：0.9073226451873779 RF模型在这四个模型中更精确一些。 结论 显然，鉴于随机森林模型和深度学习模型的准确性较高，我认为它们都是系外行星候选资格的合理预测指标。 但是，利用深度学习技术的模型可能证明是更好的
【文件预览】：
machine-learning-challenge-master
----Resources()
--------SVM_eval.csv(114B)
--------exoplanet_data.csv(1.71MB)
--------all_eval.csv(248B)
--------LR_eval.csv(113B)
--------KNN_eval.csv(118B)
--------RFM_eval.csv(110B)
----JupyterNotebooks()
--------exo_SVM.ipynb(28KB)
--------exo_logistic_regression.ipynb(132KB)
--------.ipynb_checkpoints()
--------exo_random_forest.ipynb(40KB)
--------exo_deep_learning.ipynb(24KB)
--------exo_KNN.ipynb(54KB)
--------models_comparison.ipynb(12KB)
----README.md(1KB)
----Images()
--------eval.PNG(8KB)
--------exoplanets.jpg(377KB)
----Models()
--------exo_logreg.sav(12KB)
--------voice_model_trained.h5(123KB)
--------exo_knn.sav(1.62MB)
--------exo_rfm.sav(93.69MB)
--------exo_SVM.sav(677KB)